RETRACTED: <scp>Multi‐classification</scp> of brain tumor by using deep convolutional neural network model in <scp>magnetic resonance imaging</scp> images
Dossier post-publication
OpenAlex signale ce travail comme rétracté, mais aucune notice correspondante de Retraction Watch ne figure dans cette base.
Notice bibliographique
Résumé
Abstract Brain tumors are still diagnosed and classified based on the results of histopathological examinations of biopsy samples. The existing method requires extra effort from the user, takes too long, and can lead to blunders. These limitations underline the need of employing a fully automated deep learning system for the multi‐classification of brain tumors. In order to facilitate early detection, this study employs a convolutional neural network (CNN) to multi‐classify brain tumors. In this research, we present three distinct CNN models for use in three separate categorization tasks. The first CNN model can correctly categorize brain tumors 99.74% of the time. The second CNN model is 96.27% accurate in differentiating between normal, glioma, meningioma, pituitary, and metastatic brain tumors. The third CNN model successfully distinguishes between Grades II, III, and IV brain tumors 99.18% of the time. The Hybrid Particle Swarm Grey Wolf Optimization (HPSGWO) technique is used to quickly and accurately determine optimal values for all of CNN models most important hyperparameters. An HPSGWO algorithm is used to fine‐tune all the necessary hyperparameters for optimal classification performance. The results are compared with standard existing CNN models across a range of performance measures. The proposed models are trained using publicly available large clinical datasets. To verify their initial multi‐classification of brain tumors, clinicians and radiologists might use the proposed CNN models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,010 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».